Iklan 10 3UPJ=3361071 5

6]
1,000,000 282,420 1,000,000

Junaidi

Mudah Memahami Regresi Logit

Posted on November 28, 2008 by Junaidi

i
23 Votes

Dalam salah satu tulisan di blog ini, kita sudah pernah membahas bagaimana memperlakukan
variable independent (variable bebas) yang bersifat kualitatif (skala pengukuran nominal atau ordinal)
dalam model regresi, yaitu dengan membentuk variable dummy.

Nah, pada tulisan kali ini kita akan melihat bagaimana jika dalam model regresi tersebut yang bersifat
kualitatif adalah variable dependent (terikat). Dalam model dengan variabel kualitatif, terdapat
beberapa macam teknik pendekatan model yang salah satunya adalah model logit yang menjadi focus
dalam tulisan ini. Selain itu, tulisan ini juga lebih menfokuskan pada variable kualitatif yang hanya
mempunyai dua kemungkinan nilai, misalnya kesuksesan (sukses gagal), kesetujuan (setuju tidak
setuju), keinginan membeli (ya tidak). Variabel kualitatif yang hanya mempunyai dua kemungkinan
nilai ini disebut dengan variable biner. (Pada tulisan-tulisan berikutnya, mudah-mudahan akan kita
bahas untuk variable kualitatif dengan lebih dari dua kemungkinan nilai).

Selanjutnya, dalam mengestimasi model logit juga terdapat beberapa metode yaitu metode maximum
likelihood, noninteractive weighted least square dan discriminant function analysis. Namun demikian,
metode yang umum digunakan dalam software paket-paket statistic adalah metode maximum
likelihood. Tulisan menggunakan program Minitab yang juga mengaplikasikan metode maximum
likelihood dalam estimasi model logit.

Sesuai dengan judul tulisan kali ini, kita tidak akan membahas teori-teori model logit dan maximum
likelihood, tetapi lebih pada penekanan bagaimana mengolah data dan menginterpretasikan hasilnya.
Bagi yang berminat mendalami teori-teori yang melatarbelakanginya, tersedia banyak literature yang
terkait dengan hal tersebut.
Misalnya kita ingin memprediksi bagaimana pengaruh umur, jenis kelamin dan pendapatan terhadap
pembelian mobil. Berdasarkan hasil survai terhadap 130 responden, didapatkan datanya sebagai
berikut: (silakan download di sini (h ps://junaidichaniago.les.wordpress.com/2008/11/data-
logit.doc), masih dalam bentuk word, tetapi bisa anda copy ke Minitab).

Dimana:

Y : 1 = jika konsumen membeli mobil; 0 = jika konsumen tidak membeli mobil

X2: umur responden dalam tahun

X3: 1= jika konsumen berjenis kelamin wanita; 0 = jika konsumen berjenis kelamin pria

X4: 0= jika konsumen berpendapatan rendah; 1 = jika konsumen berpendapatan sedang; 2= jika
konsumen berpendapatan tinggi

Pengolahan data dilakukan melalui tahapan-tahapan berikut:

1. Buka program Minitab. Tampilan awal program Minitab terdiri dari dua halaman. Halaman atas
dinamakan halaman Session, untuk tampilan perintah dan hasil. Halaman bawah dinamakan halaman
worksheet untuk penulisan data.
2. Ketik data di halaman worksheet, atau sebagai latihan copy data seperti yang diberikan di tas. (lihat
tampilan 1)

(h ps://junaidichaniago.les.wordpress.com/2008/11/logit11.jpg)

3. Setelah itu klik Stat> Regression> Binary Logistic Regression. Kotak dialog yang ditampilkan sebagai
berikut:
(h ps://junaidichaniago.les.wordpress.com/2008/11/logit2.jpg)

4. Isikan pada kotak Response variabel Y dengan cara, klik kotak response, klik variabel Y kemudian
klik Select. Selanjutnya isikan pada model variabel X2,X3 dan X4 dengan cara klik kotak Model, klik
(atau blok sekaligus) X2, X3 dan X4, kemudian klik Select.

Selanjutnya, karena variabel X4 merupakan peubah kategori (ordinal) dengan lebih dari kategori
(yaitu 0=pendapatan rendah, 1=pendapatan sedang dan 2=pendapatan tinggi) maka diubah terlebih
dahulu ke dalam 2 variabel dummy, untuk mengembangkan model yang logis dan mudah
diinterpretasi, sebagai berikut:

X4_1 = 1, jika konsumen berpendapatan sedang; 0 = jika selainnya

X4_2 = 1, jika konsumen berpendapatan tinggi; 0 = jika selainnya

Dalam program Minitab untuk mengkonversi ini dengan cara memasukkan peubah X4 ke dalam
kotak isian Factors. Dengan cara demikian, Minitab secara otomatis akan menjadikan variabel X4
menjadi dua variabel dummy yaitu X4_1 dan X4_2. Peubah X3 sebenarnya juga dapat dimasukkan ke
dalam kotak isian Factors, tetapi karena berisi data numerik ( 1 atau 0) maka tidak perlu dimasukkan.

Hasil pemasukan variabel tersebut dapat dilihat dalam tampilan berikut:

(h ps://junaidichaniago.les.wordpress.com/2008/11/logit3.jpg)

5. Setelah itu klik, OK. Maka akan muncul hasil regresi logit di halaman Session sebagai berikut (disini
hanya ditampilkan bagian-bagian terpenting saja yang akan dibahas):
(h ps://junaidichaniago.les.wordpress.com/2008/11/logit7.jpg)

Dalam pelaporannya, model regresi logistiknya dapat dituliskan sebagai berikut:

(h ps://junaidichaniago.les.wordpress.com/2008/11/logit4.jpg)

Yang dari output minitab contoh kita menjadi sebagai berikut:

(h ps://junaidichaniago.les.wordpress.com/2008/11/logit5.jpg)

Model ini merupakan model peluang membeli mobil [(P(xi)] yang dipengaruhi oleh faktor-faktor
umur, jenis kelamin dan pendapatan. Dapat kita lihat bahwa model tersebut adalah bersifat non-linear
dalam parameter. Selanjutnya, untuk menjadikan model tersebut linear, maka dilakukan transformasi
dengan logaritma natural, (transformasi ini yang menjadi hal penting dalam regresi logistik dan
dikenal dengan istilah logit transformation), sehingga menjadi:

(h ps://junaidichaniago.les.wordpress.com/2008/11/logit6.jpg)

1-P(xi) adalah peluang tidak membeli mobil, sebagai kebalikan dari P(xi) sebagai peluang membeli
mobil. Oleh karenanya, ln [P(xi)/1-P(xi)] secara sederhana merupakan log dari perbandingan antara
peluang membeli mobil dengan peluang tidak membeli mobil. Oleh karenanya juga, koesien dalam
persamaan (3) ini menunjukkan pengaruh dari umur, jenis kelamin dan pendapatan terhadap peluang
relative individu membeli mobil yang dibandingkan dengan peluang tidak membeli mobil.

Sebagaimana halnya dengan model regresi linear dengan metode OLS, kita juga dapat melakukan
pengujian arti penting model secara keseluruhan. Jika pada metode OLS kita menggunakan uji F,
maka pada model ini, kita menggunakan uji G. Statistik G ini menyebar menurut sebaran Khi-kuadrat
(2). Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai 2 tabel pada
tertentu dan derajat bebas k-1. (kriteria pengujian dan cara pengujian persis sama dengan uji F pada
metode regresi OLS). Tetapi, anda juga bisa melihat nilai p-value dari nilai G ini yang biasanya
ditampilkan oleh sofware-software statistik.

Dari hasil Minitab kita, didapatkan nilai G sebesar 14,447 dengan p-value 0,006. Karena nilai ini jauh
dibawah 10 % (jika kita menggunakan pengujian dengan =10%), atau jauh dibawah 5% (jika kita
menggunakan pengujian dengan =5%), maka dapat disimpulkan bahwa model regresi logistik secara
keseluruhan dapat menjelaskan atau memprediksi keputusan konsumen dalam membeli mobil.

Selanjutnya, untuk menguji faktor mana yang berpengaruh nyata terhadap keputusan pilihan
membeli mobil tersebut, dapat menggunakan uji signikansi dari parameter koesien secara parsial
dengan statistik uji Wald, yang serupa dengan statistik uji t atau uji Z dalam regresi linear biasa, yaitu
dengan membagi koesien terhadap standar error masing-masing koesien.

Dari output minitab ditampilkan nilai Z dan p-valuenya. Dari hasil kita, berdasarkan nilai p-value
(dan menggunakan kriteria pengujian =10%), kita dapat melihat seluruh variabel (kecuali X4_1),
berpengaruh nyata (memiliki p-value dibawah 10%) terhadap keputusan membeli mobil.

Lalu, bagaimana kita menginterpretasikan koesien regresi logit dari persamaan (3) di atas ? Dalam
model regresi linear, koesien 1 menunjukkan perubahan nilai variabel dependent sebagai akibat
perubahan satu satuan variabel independent. Hal yang sama sebenarnya juga berlaku dalam model
regresi logit, tetapi secara matematis sulit diinterpretasikan.

Koesien dalam model logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu
satuan variabel independent. Interpretasi yang tepat untuk koesien ini tentunya tergantung pada
kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh karenanya, dalam model logit,
dikembangkan pengukuran yang dikenal dengan nama odds ratio (). Odds ratio untuk masing-
masing variabel ditampilkan oleh Minitab sebagaimana yang terlihat di atas.

Apa yang dimaksud dengan odds ratio dan bagaimana memahaminya? Odds ratio secara sederhana
dapat dirumuskan: = e, dimana e adalah bilangan 2,71828 dan adalah koesien masing-masing
variabel. Sebagai contoh, odds ratio untuk variabel X3 = e0.7609 = 2,14 (lihat output minitab).

Dalam kasus variabel X3 (jenis kelamin dimana 1 = wanita dan 0 = pria), dengan odds ratio sebesar
2,14 dapat diartikan bahwa peluang wanita untuk membeli mobil adalah 2,14 kali dibandingkan pria,
jika umur dan pendapatan mereka sama. Artinya wanita memiliki peluang lebih tinggi dalam
membeli mobil dibandingkan pria.

Dalam kasus variabel X2 (umur), dengan odds ratio sebesar 0,90 dapat diartikan bahwa konsumen
yang berumur lebih tua satu tahun peluang membeli mobilnya adalah 0,90 kali dibandingkan
konsumen umur yang lebih muda (satu tahun), jika pendapatan dan jenis kelamin mereka sama.
Artinya orang yang lebih tua memiliki peluang yang lebih rendah dalam membeli mobil.

Dalam konteks umur ini (yang merupakan variabel dengan skala ratio), hati-hati menginterpretasikan
nilai perbedaan peluangnya. Jika perbedaan umur lebih dari 1 tahun, misalnya 10 tahun, maka odds
rationya akan menjadi 0,36, yang diperoleh dari perhitungan sbb: =e(10 x -0.10322) . Artinya peluang
membeli mobil konsumen yang berumur lebih tua 10 tahun adalah 0,36 dibandingkan konsumen yang
lebih muda (10 tahun) darinya.

Selanjutnya, dalam konteks variabel pendapatan, terlihat bahwa X41 tidak berpengaruh signikan.
Artinya, peluang membeli mobil antara konsumen pendapatan sedang dan pendapatan rendah adalah
sama saja. Sebaliknya, untuk X42, dapat diinterpretasikan bahwa peluang membeli mobil konsumen
pendapatan tinggi adalah 2,26 kali dibandingkan pendapatan rendah, jika umur dan jenis kelaminnya
sama. (Perhatikan, baik untuk X41 maupun untuk X42, perbandingannya adalah dengan pendapatan
rendah. Lihat penjelasan ini lebih lanjut pada tulisan mengenai variabel dummy yang ada di blog ini).

Output Minitab juga menampilkan ukuran-ukuran asosiasi (hubungan) antara nilai aktual
(sebenarnya) dari variabel dependent (Y) dengan dugaan peluangnya, yang dapat kita interpretasikan
sebagai berikut:

Dari nilai Concordant dapat disimpulkan bahwa 70,2 persen pengamatan dengan kategori membeli
(Y=1) diduga mempunyai peluang lebih besar pada kategori membeli. Dari nilai Discordant dapat
disimpulkan bahwa 28,4 persen pengamatan dengan kategori tidak membeli (Y=0) diduga
mempunyai peluang lebih besar pada kategori membeli. Nilai Ties merupakan persentase
pengamatan dengan peluang pada kategori membeli sama dengan peluang kategori tidak membeli.
Hubungan yang kuat (dan sekaligus menunjukkan semakin baiknya daya prediksi model) ditandai
oleh besarnya nilai Concordant dan kecilnya nilai Discordant dan Ties.

Selanjutnya juga terdapat ukuran-ukuran ringkas (Sommers D, Goodman-Kruskal Gamma dan

Kendalls Tau-a). Semakin besar ukuran asosiasi ini ke nilai 1, maka semakin baik daya prediksi dari
model dugaan yang diperoleh.

Iklan

5 10

1,000,000 1,000,000

10 3UPJ=33610716]

1,000,000 282,420

Filed under: Tip-Trik(1) | Tagged: ekonometrik, logit, minitab, regresi, statistik, Tip-Trik(1) |

Hati-Hati Ber E-mail, Hati-Hati juga Nge-blog Kebijakan Ketenagakerjaan di Indonesia dalam
Kerangka Perlindungan TK dan Perluasan Kes.Kerja

30 Tanggapan
Evan Pratama Wibowo, on Mei 7, 2016 at 11:38 pm said:

i
Rate This

Selamat Pagi..
Saya evan pratama wibowo dari UB malang sedang melakukan penelitian mengenai faktor
penentu keputusan petani dalam penerapan teknologi mekanisasi. Kebetulan yang saya gunakan
untuk menganalisis tujuan kedua adalah logistik. Yang mau saya tanyakan. Apakah boleh dalam
logistik, skala pengukuranya menggunakan kategori yg berbeda ? Kebetulan skala yg saya
gunakan adalah ordinal untuk faktor intern petani (umur, t.pendidikan, luas lahan, pendapatan)
dan nominal untuk faktor ekstern (sifat inovasi, kegiatan promosi penyuluh) pada kegiatan
promosi penyuluh.

Balas
ThreeKarunia Lestari, on April 28, 2014 at 9:49 am said:

i
Rate This

Selamat sore pak. Saat ini saya sedang skripsi, mengenai manajemen laba, rumus yang digunakan
Jones Modied.. Lalu dosen saya menyarankan menggunakan regresi probit.. itu bisa atau tidak
yaa pak? Terima kasih

Balas
juniska, on Mei 23, 2012 at 4:13 am said:

i
Rate This

bapak juanidi selamat pagi . pak saya mahasiswi s1 fe univ gundar sedang skripsi, akan
menggunakan metode statistik untuk pengukuran nancial distress, saya masi bingung pak dgn
beberapa model logit ? seperti binary , multinominal , dn regresi , dr beberapa metode tersebut
keunggulanya apa ya pak ? dan bagaimana kita menetukan metode ap yg kita gunakan terima
kasih ya pak ,

Binary logit digunakan jika variabel dependentnya terdiri dari dua kategori, multinomial logit
jika dependent variabelnya berupa data nominal dan lebih dua kategori, sedangkan ordinal
logit jika dependent variabelnya berupa data ordinal dan lebih dua kategori.

Balas
ihwan, on Februari 25, 2012 at 8:07 am said:
 0

i
Rate This

pak. derek tanglet perbedaan logit dan

Balas
ihwan, on Februari 25, 2012 at 8:03 am said:

i
Rate This

pak. derek tanglet perbedaan logit dan linier berganda terletak pada apanya dan apakah logit itu
mengukur pengaruh apa peluang terima kasih..

Balas
shoe, on April 3, 2011 at 10:07 am said:

i
Rate This

pak, saya sedang mengolah data menggunakan logistik regresi, tapi bagaimana memasukkan
variabelnya kalo itu pengamatan 3 tahun misalnya,, 3 variabel independent dengan data 3 tahun,,,
gimana ya masukinnya pak?? kalo 3 var berarti x1 x2 x3,, data 3tahunnya gimana ya,,, #bingung
terimakasih
-shoe

Balas
ratih libania, on Maret 28, 2011 at 9:52 am said:

i
Rate This

pak, mohon bantuan kl mau menggunakan regresi logit kuesionernya seperti apa ya??? makasih
pak bantuannya.

Balas
joanna, on Desember 23, 2010 at 7:46 am said:
 0

i
Rate This

pak saya mau tanya, untuk nilai Y itu kita menentukannya bagaimana ya??

kok bisa
Y X2 X3 X4
0 36 1 0 ==> kok bisa nilai Y nya 0
0 44 1 0
1 36 1 0 ==> kok bisa nilai Y nya 1

makasih

Balas
tiara, on November 24, 2010 at 2:07 am said:

i
Rate This

pak bisa mohon dijelasin gak apa bedanya regresi logit dengan probit. Trus untuk kedua model
tersebut uji asumsi klasik apa yang digunakan karena setahu saya tidak semua uji asumsi klasik
digunakan dalam regresi logistik. terima kasih saya tunggu jawabannya

Balas
marcee, on Agustus 9, 2010 at 8:13 am said:

i
Rate This

salam kenal pak!

saya mo nanya pak, dalam model logit bisa tidak variabel bebas semuanya berbentuk nominal?

Balas
nurdah, on Juli 2, 2010 at 2:41 am said:

i
Rate This
ass pak..
saya nurdah..saya sedang nyusun tugas akhir skrg..saya ambil topik tentang model regresi
probitsaya bingung dalam data nya???kira-kira data yang cocok wt model probit pa ya pak???
apakah saya harus memakai kuesioner??trus apakah data pada regresi logistik dapat dipakai
untuk contoh data regresi probit???trus kira2 ngolahnya pake software pa ya pak??

terima kasih ya pak..

ditunggu balasan dari bapak..

Balas
slamet budiono, on Mei 18, 2010 at 12:52 pm said:

i
Rate This

Pak saya masih bingung arti dari loglikehood. dari tabel hasil regresi kalau nilainya besar/kecil,
artinya apa. daya menggunakan regresi probit memeperoleh hasil -164 .291. apa maksudnya.

Balas
putri, on April 18, 2010 at 2:29 pm said:

i
Rate This

Pak, nanya nihkalau variabel independen nya pake dummy trus dependennya rasio apa harus
pake regresi logit? ato bisa pake regresi berganda (OLS). terimakasih

Kalau independentnya yang dummy ya, pakai OLS saja.

Balas
eindye, on Maret 24, 2010 at 6:41 am said:

i
Rate This

Salam Pak, Saya lagi buat tesis nih.. saya bingung nih.. kalo dependen pake dummy dan 3 variabel
independen pake rasio, saya bagusnya pake apa yah? terus terkait dengan logit, ada referensi
khusus gak? terima kasih..

Kalau variabel dependennya pakai dummy, saya sarankan menggunakan binary logit. Banyak
referensi mengenai itu, diantaranya Applied Logistic Regression Hosmer, Logistic
Regression Pampel
Balas
rizzma, on Februari 16, 2010 at 12:51 pm said:

i
Rate This

Paaakk, saya mahasiswa FE S1, sedang in da process skripsian. Keliatannya saya bakalan pakai
Logit Pak.. Kalau ada pertanyaan g operasi Logit, saya tanya-tanya ke Bpk aja ya Pak? Makasih
sekali Pak sudah menulis artikel ini ^^

Boleh, silakan

Balas
Andi, on Oktober 18, 2009 at 12:07 pm said:

i
Rate This

Assalamualaikum.
Pak Junaidi saya mohon informasinya. Semoga bapak berkenan membantu. Saya ada data dari
kuisioner mengenai kemauan untuk membayar (WTP) yang angka dari pertanyaan open-ended.
Kemudian saya ingin me-regresi dengan data penghasilan yang berupa data interval (1jt-3jt, 3jt-5jt,
dst). Apakah hal demikian dimungkinkan pak? Metode apa yg bisa dipakai? Terima kasih
pak.Mohon jawabannya

Bisa saja. Patokan sederhananya untuk memilih model regresi berdasarkan skala pengukuran
adalah:

Variabel bebas..Variabel TerikatModel Regresi

interval..intervalregresi biasa
interval/nominal.interval..regresi dengan dummy
interval..nominal (dua kategori)regresi binary logit
interval..nominal (lebih dua kategori)..regresi multinomial logit
interval..ordinal.regresi ordinal logit

Balas
riski, on Oktober 8, 2009 at 9:38 am said:

i
Rate This

mo tanya, reg logit ada pakai uji asumsi klasik gaK?

 Uji asumsi klasik hanya berlaku untuk penaksiran regresi menggunakan metode OLS. Regresi
logit tidak pakai metode OLS, jadi tidak ada.

Balas
RACHMAN, on Juli 24, 2009 at 7:56 am said:

i
Rate This

saya mempunyai data.

saya memplotkan bahwa data tidak stationer dalam mean dan varian.

apabila tidak stationer dalam varian maka di uji dengan metode boxcox transformation.

apabila tidak stationer dalam mean maka di uji dengan metode di.

langkah2 tersebut sudah saya lakukan sampai ketemu forecast -nya

namun saya bingung untuk mengembalikan hasil forecast apabila sudah di transformasi.

saya minta bantuan untuk melakukan transformasi balik dari hasil forecast dari masing-masing
nilai lambda

Nilai (lambda) Transformasi

-1.0 1/Zt
-0.5 1/akar Zt
0.0 ln Zt
0.5 akar Zt
1.0 Zt (tidak ada transformasi)

Balas
Bintang Glorian ICP, on Juni 18, 2009 at 11:45 am said:

i
Rate This

pak saya sedang mengerjakan skripsi dengan analisis multinomial logit, apakah dengan hanya
menggunakan sampel 32 perusahaan dan masa penelitian 2 tahun sudah cukup mewakili pak?

Cukup atau tidaknya sampel tergantung dari jumlah populasi dan keragaman populasi. Kalau
untuk regresi, disarankan untuk memperhatikan derajat bebasnya (artinya juga memperhatikan
jumlah variabel dalam persamaannya). Meskipun tidak ada patokan baku, umumnya
disarankan derajat bebas paling sedikit adalah 12.

Balas
Musdhad Aszri, on Juni 8, 2009 at 4:20 am said:
 0

i
Rate This

apa kelebihan regresi probit dibandingkan regresi logistik?

Balas
Machmud, on Maret 5, 2011 at 10:21 pm said:

i
Rate This

Sebenarnya tidak ada perbedaan. Pemilihan antara analisis probit dan logit tergantung pada
kondisi data yang diperoleh. Jika data yg diperoleh tersebar secara normal, maka analisis yg
digunakan adalah probit, sedangkan jika data tidak tersebar secara normal, maka yg digunakan
adalah logit.

Balas
Dian, on Mei 20, 2009 at 12:27 pm said:

i
Rate This

Salam.
Pak,sy sedang olah data mgunakan logit..
Hasil yg sy peroleh nilai somersd,goodman-kruskal gamma,&kendalls tau-a msg2 adalah 0.83,
0.84, & 0.30..
apa nilai2 tsb sudah bs mngatakan bahwa model sy bagus Pak?
nilai somersd&goodmn-krskal gamma memang mndekati angka1,namun nilai kendalls tau-a jauh
dari 1..
yang kdua,sebenarny maksud dari nilai2 tsb sbg ringkasan asosiasi tabel concordant&discordant
itu apa ya Pak?interpretasi utk msg2 nilai (somers D,goodmn-krskl gamma,&kendalls tau-a).
ketiga,apakah ada indikator atau batasan nilai yang pasti untuk somersd,goodman-kruskal
gamma,&kendalls tau-a, jika dikatakan daya prediksi model bagus dan tidak bagus?soalnya dari
penjelasan hanya dikatakan semakin mendekati 1 berarti semakin baik..jadi tidak ada batas
bawahnya yang pasti. Dan keempat,apa kelebihan olah data logit mgunakan minitab dibndingkn
dengan spss?

Mohon penjelasannya Pak,terima kasih banyak..

wassalam.

Silakan baca tulisan ini dan ini, yang khusus saya buat untuk menjawab pertanyaan diatas.
Balas
Oka, on Mei 20, 2009 at 5:34 am said:

i
Rate This

ralat:
Pak, kalau saya sudah menggunakan logit binertetapi tanda koesien salah satu variabel
independennya tidak sesuai dengan teori(yg seharusnya berbanding terbalik tetapi hasilnya
berbanding lurus) sehingga pada saat interpretasi ada biasapakah ada cara manipulasi data
secara statistik sehingga tanda koesiennya berubah??Terimakasih.

Yang penting untuk diperhatikan adalah bahwa dalam regresi logit, kita tidak membaca
koesien, tetapi membaca odds ratio. Coba dicermati lagi tulisan diatas.
Kalau setelah membaca odds ratio ternyata interpretasinya juga berlawanan dengan teori, ada
beberapa hal yang harus diperiksa:
1. Apakah datanya sudah benar ?
2. Apakah modelnya yang dibangun sudah tepat ?
3. Apakah jumlah sampel sudah cukup memadai ?
4. Apakah penarikan sampel sudah benar ?
Jika semuanya sudah benar/sesuai, kita tidak perlu memanipulasi data. Ungkapkan itu sebagai
suatu temuan dan jelaskan secara empirik apa penyebabnya berbeda dengan teori.
Untuk manipulasi data banyak metode misalnya menghilangkan data outlier, melogaritmakan
data dan lainnya. Tentunya, pilihan-pilihan tersebut tergantung dengan kasus yang dihadapi.

Balas
Oka, on Mei 20, 2009 at 2:20 am said:

i
Rate This

Pak, kalau saya sudah menggunakan logit binertetapi tanda koesien salah satu variabel
dependennya tidak sesuai dengan teorisehingga pada saat interpretasi ada biasapakah ada
cara manipulasi data secara statistik sehingga tanda koesiennya berubah??Terimakasih.

Balas
IFA, on Mei 16, 2009 at 2:55 pm said:

i
Rate This
pak klo misalnya pake regresi logistik dan salah satu variabel terikat ada dalam bentuk jutaan, apa
boleh di Ln kan??sedangkan variabel yang lain sudaha dalam bentuk rasioterimakasih.

Boleh kok, tidak ada masalah. Hanya saja, seringkali besaran angka antar variabel jauh berbeda
(dan kalau di Ln kan juga akan menghasilkan besaran yang jauh berbeda), koesien regresi
yang kita dapatkan bisa sangat kecil sekali (sering tidak muncul angkanya dalam output,
misalnya keluar koesien 0.0000). Tentunya sulit untuk menginterpretasikannya

Balas
rafaina, on April 24, 2009 at 2:55 am said:

i
Rate This

salam, pak apa ada penjelasan mengenai cara membaca output regresi logistik ini jika peubah
bebasnya ada yang tipe numerik (bukan nominal ataupun ordinal),
terima kasih, wassalam.

Coba lihat cara interpretasi variabel umur pada tulisan diatas.

Balas
Andi, on April 23, 2009 at 4:32 am said:

i
Rate This

Pak..apa ada penjelasan tentang penggunaan multinomial logit? Mohon sekiranya ada dibahas
pak..
Terima kasih
Wassalam

Insya Allah, jika ada waktu akan dibahas. Terimakasih sarannya

Balas
ayla, on April 23, 2009 at 3:52 am said:

i
Rate This

salam!pak kalo regresi linier berganda dan logit menggunakan variabel dummy cara
menginputnya ke minitab bagaimana ya,pak!saya minta bantuannya ya,pak! saya lagi penelitian.
terimakasih banyak,ya,pak!
 Sepertinya sudah ada penjelasan dalam tulisan diatas. Atau bisa diperinci lagi maksud
pertanyaannya ?

Balas
Nora, on April 18, 2009 at 3:13 am said:

i
Rate This

MOhon bantuannnyasaya berencana menggunakan regeresi log untuk skripsitapi agak

terkendala dalam penentuan variabel terikat..apa variabel terikat itu bisa lebih dari 2 ya????
variabel terikatnya semua prduk pada suatu perusahaab perbankan,apa hasilnya nanti bagus
ya/???
terimakasih atas bantuan anda,saya sangat berharap

Maksudnya variabel terikat lebih dari dua itu, kategorinya apa jumlah variabelnya ? Kalau
jumlah variabel ya tidak bisa. Dalam persamaan regresi, variabel terikat hanya 1
Kalau kategori variabel terikat lebih dari dua (skala ordinal atau nominal), ya bisa. Kalau skala
ordinal, kita menggunakan regresi ordinal logit. Kalau skala nominal, kita menggunakan
multinomial logit.

Balas
Analisis Statistik Skripsi Tesis, on Desember 5, 2008 at 9:23 am said:

i
Rate This

Mohon maaf, ijin untuk link ke blog anda. sebelumnya terima kasih

Jawab: Silakan. Saya juga akan link blog anda. (Junaidi)

Balas

Blog di WordPress.com. WP Designer.